[目的]利用反射率光谱在作物生物物理方面的优势和日光诱导叶绿素荧光(solar-induced chlorophyll fluorescence,SIF)、光化学反射率指数(photochemical reflectance index,PRI)在光合生理方面的优势,构建协同冠层SIF和PRI光谱指数(synergistic spectral index of SIF and PRI,SISP),旨在提高作物病害遥感探测精度。[方法]基于3FLD(three-bands fraunhofer line discrimination)算法,估测小麦条锈病在不同病情严重度下的单波段SIF强度,利用对作物冠层几何结构敏感的归一化植被指数(normalized difference vegetation index,NDVI)和重归一化植被指数(re-normalized vegetation index,RDVI)对SIF和PRI进行处理,再利用处理后的SIF和PRI数据构建SISP指数,通过建立传统的光谱指数和SIF、PRI及其组合对小麦条锈病的遥感监测模型,以病情指数(disease index,DI)实测值与预测值之间的决定系数(R~2)、均方根误差(RMSE)和相对分析误差(RPD)评价模型精度,进而与SISP指数建立的模型进行比较,分析SISP指数对作物病害遥感监测的有效性。[结果](1)综合利用SIF和PRI数据能够提高对小麦条锈病的遥感探测精度,3组验证样本数据集中,以PRI和SIF的简单组合PRI+SIF为自变量构建的小麦条锈病监测模型,预测DI值与实测DI值间的R~2比单一PRI和SIF至少提高14.0%和1.7%,RMSE至少降低7.1%和3.7%。(2)利用反射率光谱指数NDVI和RDVI处理后的SIF和PRI构建的SISP指数,对小麦条锈病DI的预测精度优于直接利用PRI和SIF组合的各种指数,验证样本数据集中预测DI值与实测DI值间的R~2至少提高3.7%,RMSE至少降低9%。(3)以SISP和反射率光谱指数为自变量构建的小麦条锈病多元线性回归(multiple linear regression,MLR)和径向基神经网络(radial basis function neural network,RBFN)模型的精度,高于仅利用反射率光谱指数构建的模型精度,其预测DI值与实测DI值间的R~2分别较反射率光谱指数提高13.42%和5.72%,RMSE分别减少29.93%和19.24%,RPD分别提高44.53%和29.80%。[结论]利用NDVI和RDVI处理后的SIF和PRI构建SISP指数,能够减弱作物群体生物量对冠层SIF和PRI信号的影响,提高小麦条锈病的遥感监测精度。

利用ASD地面非成像光谱仪对小麦条锈病进行了单片病叶及冠层的光谱特征研究。结果表明,健康、发病及处于潜育期的小麦植株在某些特定波段的光谱反射率存在显著差异;并且不同孢子堆密度的小麦单片病叶的反射光谱曲线也存在相应差异;对小麦条锈病冠层光谱的研究发现,在930nm附近,病情指数(y)与冠层光谱反射率(x)的相关性达到了极显著水平,二者之间的回归模型为:y=-2.5173x+1.2217(R2=0.9484)。

【目的】条锈病对小麦生长和产量造成严重威胁，为确保有效防控，精准监测尤为关键。利用遥感技术构建小麦条锈病估测模型，能快速、准确地估测病情指数（DI），为精准防控提供技术支持。【方法】利用ASD光谱仪获取小麦不同生育期（抽穗期、灌浆期和成熟期）高光谱数据，采用随机森林变量选择（VSURF）方法结合相关性分析（CA）对原始光谱（OR）和一阶微分光谱（FD）进行特征波段筛选。使用随机森林（RF）对比不同数据集的特征波段建模结果，确定模型效果最佳的特征集。随后借助偏最小二乘回归（PLSR）、极致梯度提升（XGBoost）以及反向传播神经网络（BPNN），对比特征集在不同算法中的建模效果。通过对比建模效果，确定针对全生育期小麦条锈病病情指数的最佳估测模型。为了验证特征集在不同生育期中的效果，利用特征集在3个生育期重新构建模型，并对比模型效果。【结果】对不同数据集进行特征筛选，并使用RF构建条锈病DI估测模型，通过比较模型效果，确定VSURF-CA-FD特征集（绿光范围的537 nm以及近红外范围的821和846nm）在RF模型中的估测效果最好。采用RF算法构建的模型表现出优异的精度，R ~2为0.89,RMSE为12.34。这些特征波段在其他算法构建的模型中也展现出良好的精度：XGBoost模型的R ~2为0.87,RMSE为13.15;BPNN模型的R ~2为0.84,RMSE为15.19;PLSR模型的R ~2为0.69,RMSE为20.92。使用不同生育期的冠层微分高光谱数据进行验证，利用VSURF-CA-FD特征集构建RF模型，对比模型发现在小麦生长的早期（抽穗期）R ~2为0.54,RMSE为1.29,NRMSE为0.21，能满足估测病害的要求；小麦生长的中期（灌浆期），模型的R ~2表现较好，R ~2为0.66,RMSE为12.24,NRMSE为0.21；小麦生长晚期（成熟期），模型效果好于前两个时期，R ~2为0.75,RMSE为10.77,NRMSE为0.15。【结论】使用VSURF-CA方法筛选出的特征波段，能构建出对小麦条锈病病情指数具有出色估测效果的RF模型。研究结果可为预测早期和中期条锈病病情指数提供有价值的思路和方法。

【目的】研究小麦地上部氮积累量与冠层高光谱参数的定量关系,分析多种高光谱参数估算地上部氮积累量的效果。【方法】连续3年采用不同蛋白质含量的小麦品种在不同施氮水平下进行大田试验,于小麦不同生育期采集田间冠层高光谱数据并测定植株不同器官生物量和氮含量。【结果】植株氮积累量随着施氮水平的提高而增加,不同地力水平间存在明显差异。植株氮积累量的光谱敏感波段主要存在于近红外平台和可见光区,而地上部氮积累量与冠层光谱的相关性明显降低。对植株氮积累量的光谱估算,在不同品种、氮素水平、生育时期和年度间可以使用统一的光谱模型。在籽粒灌浆期间植株氮积累量自开花期随时间进程的积分累积值与对应时期籽粒氮素积累状况存在显...

为了利用遥感监测小麦条锈病,研究条锈病侵染后小麦单叶光谱和叶绿素含量变化,人工接种条锈病菌在小麦幼苗上,测得接种1～24d的光谱和叶绿素含量,将其叶绿素含量与光谱及其一阶微分做相关性分析,利用光谱微分参数进行方程的模拟。接种1～12d,感染条锈病的叶片叶绿素含量与原始光谱及其一阶微分光谱在可见光波段呈负相关关系,接种13～24d,两者在可见光波段呈正相关的关系。接种后1～12d的方程模拟中以SDb为变量的模型为最佳模型,接种13～24d的方程模拟中以SDr/SDg为变量的模型为最佳模型,说明可利用光谱参数进行条锈病侵染小麦的早期监测。

为探究双波段光谱仪CGMD-302在监测小麦长势上的可靠性与精准性,同时使用高光谱仪UniSpec SC与双波段光谱仪CGMD-302测试各生育时期小麦冠层信息,并定量分析了植被指数NDVI、RVI、DVI与叶面积指数和叶片干重之间的线性关系。结果表明,基于相同波段反射率计算出的高光谱仪植被指数和双波段光谱仪植被指数均能较好监测小麦群体长势。在CGMD-302监测的叶面积指数模型中,拟合方程的决定系数(R2)均高于0.89,用以检验模型的均方根误差(RMSE)和相对误差(RE)分别小于0.792和0.22

通过人工田间诱发不同等级小麦条锈病,在不同生育期测定染病冬小麦冠层光谱及其病情指数(DI)。把冠层光谱一阶微分数据与相应的DI进行相关分析,采用单变量线性和非线性回归技术,建立小麦DI的估测模型,并利用不同品种小麦样本对模型精度进行可靠性检验。结果表明:DI与一阶微分在432~582 nm、637~701 nm以及715~765 nm区域内有极显著相关性,以红边峰值区(725~735 nm)一阶微分总和与绿边峰值区(521~530 nm)一阶微分总和的比值为变量的线性模型估测DI精度最高,且其对小麦品种相对不敏感。上述研究结果对利用高光谱遥感监测农作物病害及其严重程度都具有实际应用价值。

【目的】叶片氮素状况是小麦生产中精确施氮管理与调控的前提,实时无损监测叶片氮素状况对小麦生产管理具有重要意义。本文旨在综合分析不同环境下小麦冠层光谱响应差异,进而构建其估测模型,为小麦氮肥合理运筹提供技术支持。【方法】本研究基于3种不同土壤质地(砂土、壤土和黏土)、5种不同施氮水平(0、120、225、330和435 kg.hm-2)及3种河南省主栽小麦品种(矮抗58、周麦22和郑麦366)连续2年的大田试验,于小麦主要生育时期同步测定冠层光谱反射率和叶片氮含量,对3种不同土壤质地条件下小麦冠层叶片氮含量的高光谱响应差异进行比较,系统分析350—1 050 nm波段范围内任意两波段组合而成的差...

[目的] 探索基于冬小麦冠层RGB图像的氮素营养指标实时监测方法，为实现简便、准确的冬小麦氮素营养诊断和推荐施肥奠定基础。[方法] 基于3年次的冬小麦大田氮肥梯度试验，采用数码相机在返青期和拔节期垂直拍摄冠层RGB图像。分析图像特征参数G/R、G-R、NRI、NGI、H和冠层覆盖度（CC）与植株氮素生理指标间的关系，筛选氮素营养监测指标的最优图像特征参数，构建氮素营养指标估算模型。[结果] CC与冬小麦地上部生物量、氮积累量和叶面积指数（LAI）间的相关系数最高，分别为0.87、0.85和0.84（P<0.01），其他特征参数与地上部生物量、氮积累量和LAI间的相关系数相对较低。采用CC作为冬小麦氮素营养指标估算模型的输入参数，并使用异速生长函数和指数函数建模。采用异速生长函数的模型R~(2)分别为0.82、0.76和0.82（P<0.01），采用指数函数的模型R~(2)分别为0.80、0.74和0.85（P<0.01）。利用独立试验数据对模型进行验证，异速生长函数模型预测值和观测值间的R~(2)平均为0.89（P

【目的】利用高光谱数据对抽穗期冬小麦冠层叶绿素含量进行估测，旨在为叶绿素含量快速准确估测提供参考。【方法】利用ＡＳＤ便携式野外光谱仪和ＳＰＡＤ－５０２叶绿素仪实测了冬小麦抽穗期冠层光谱反射率及叶绿素含量，并对原始光谱反射率及其一阶导数光谱与叶绿素相对含量进行了相关分析，建立了基于敏感波段、红边位置、原始光谱峰度和偏度、一阶导数光谱峰度和偏度的叶绿素估算模型，并进行检验，从中筛选出精度最高的模型。【结果】冬小麦冠层光谱曲线特征与叶绿素含量之间有着密切联系。基于原始光谱一阶导数偏度和峰度的冬小麦（抽穗期）叶绿素含量估算模型拟合精度优于其他４种估算模型，决定系数Ｒ２分别为０．８４７和０．５７２，均方．．．

【目的】白粉病严重危害小麦生长及制约产量形成,确立实时监测小麦白粉病的多源数据融合方法,为精确防控及保证国家粮食安全提供技术支撑。【方法】在小麦开花和灌浆期,使用同时搭载多光谱仪和热成像仪的六旋翼无人机作为遥感数据获取平台,通过ENVI软件从小麦白粉病遥感影像中提取植被指数、纹理特征以及冠层温度信息,进而利用多元线性回归(MLR)、后向传播神经网络(BP)、随机森林(RF)、极限学习机(ELM)算法将植被指数(VIs)、纹理特征(TFs)和温度特征(T)进行结合,以构建小麦白粉病病情指数的监测模型。【结果】无论是单数据源建模,还是多数据源建模,随机森林(RF)的精度均高于其他模型;3种数据源中植被指数的RF模型(VIs-RF,R~2=0.667,RMSE=5.712,RPD=1.572)更适宜白粉病监测,其次是温度特征(T-RF,R~2=0.559,RMSE=6.563,RPD=1.430),而纹理特征(TFs-RF,R~2=0.495,RMSE=7.014,RPD=1.348)效果最差;多数据源协同建模间比较,RF协同植被指数和纹理特征的模型R~2为0.701(VIs&TFs-RF,R~2=0.701,RMSE=5.308,RPD=1.724),仅比VIs-RF模型R~2提升5.101%,RMSE降低7.073%,RPD提高9.672%,而RF协同植被指数和温度特征模型(VIs&T-RF)以及协同3种数据源模型(VIs&TFs&T-RF)的精度分别为R~2=0.750,RMSE=4.704,RPD=1.912和R~2=0.820,RMSE=4.677,RPD=1.996,较VIs-RF模型R~2分别提升12.453%和23.181%,RMSE分别降低17.640%和18.113%,RPD分别提高21.667%和26.981%。同时对不同模型进行10折交叉验证,进一步证实了RF模型在多数据源融合建模中性能稳定,估算效果最好。【结论】采用多数据源协同建模能够提升小麦白粉病遥感监测精度,研究结果为实现大面积高精度遥感监测作物病害状况提供了思路与方法。

【目的】碳氮代谢反映植株生理状况和生长活力,是小麦籽粒产量与品质形成的生理基础,因而叶片糖氮比的实时无损监测对小麦生长诊断和氮素管理具有重要意义。本研究的主要目的是通过分析小麦叶片糖氮比与冠层高光谱参数的定量关系,确立小麦叶片糖氮比的定量监测模型。【方法】采用不同蛋白质含量的小麦品种在不同施氮水平下进行了连续3年大田试验,于小麦不同生育期采集田间冠层高光谱数据并测定叶片糖氮比值,进而分析建立冠层高光谱参数与叶片糖氮比的回归模型。【结果】小麦叶片糖氮比随施氮水平的提高而下降,随生育进程呈"高-低-高"动态变化模式。利用高光谱对叶片糖氮比进行监测的适宜时期为拔节期至灌浆中期,其中开花期最好。水分特...

【目的】小麦倒伏严重影响小麦光合及成熟进程，进而造成小麦减产及品质下降。为快速精确获取倒伏信息，评估无人机遥感监测小麦倒伏的能力，构建小麦倒伏监测模式，为灾情评估、保险理赔及灾后补救提供技术支持。【方法】利用近地无人机获取包含红、绿、蓝、红边和近红外5个多光谱波段图像，经过预处理飞行高度50 m的小麦冠层图像，得到分辨率为1.85(cm/像素)的数字正射影像图（DOM）和数字表面模型（DSM），从中提取光谱特征、高度特征和光谱纹理共3类特征信息；采用支持向量机（SVM）和随机森林（RF）2种分类器对6种不同特征集组合进行倒伏分类比较，使用准确率（Acc）、精确率（Pre）、召回率（Re）和调和平均数（F1）以确定较优的特征组合和分类器；同时使用3种不同的特征集筛选方法（套索算法Lasso、随机森林递归算法RF-RFE和Boruta算法）对优化的特征子集进行综合评价，确立适宜的倒伏分类评价方法。【结果】单一特征的光谱和纹理及其组合对小麦倒伏的分类评价结果较差，“椒盐现象”严重，在此基础上融合DSM信息的分类精度显著提高。采用随机森林分类器对光谱特征、纹理特征和高度特征进行特征集组合，小麦倒伏识别的分类准确率最高达91.48%。为减少特征集变量数量，采用3种特征优化方法，与筛选得到的全特征集、Lasso算法、RF-RFE算法相比，基于Boruta算法得到的优化特征子集分类精度更高，整体稳定性更好，从含有DSM的3种特征组合均值来看，总体分类精度和Kappa系数分别提高了0.17%和0.01（全特征集）、2.45%和0.05(Lasso)、2.87%和0.05(RF-RFE)。其中，光谱-纹理-DSM组合效果最好，总体分类精度达92.82%,Kappa系数达0.86。【结论】Boruta算法有效优化光谱-纹理-DSM组合的特征子集数量，让更少的特征参量参与分类，且获得较高的分类精度，确立了精确监测小麦倒伏的多特征组合-Boruta-RFC技术融合模式，为小麦灾情评估及补救措施制定提供参考。

【目的】红边位置常被用于监测作物叶片氮素营养状况。本文旨在通过不同算法提取红边位置,分析并比较不同算法提取的红边位置对氮素营养监测模型的准确性和可靠性差异,确定监测小麦叶片氮素营养的最佳红边位置算法及定量模型。【方法】基于不同施氮水平、播种密度、品种类型和生育时期的小麦田间试验,系统分析不同算法的红边位置(一阶微分、倒高斯法、多项式拟合法、四点内插法、拉格朗日法、线性外推法)与冠层叶片氮素营养指标的定量关系,比较不同算法红边位置对氮素营养监测的准确性和可靠性。【结果】线性外推法为计算小麦红边位置的最佳算法,并建立了基于线性外推法的小麦冠层叶片氮素营养定量监测模型。【结论】研究结果为小麦冠层叶片...